上海AI实验室等机构联合研究开发的InMind框架，通过阿瓦隆社交推理游戏测试AI是否能理解和模仿人类个性化推理风格。研究发现，尽管GPT-4o等先进模型在基础任务表现良好，但在理解个性化推理方面仍有明显不足，大多依赖词汇相似性而非深层推理模式。DeepSeek-R1等推理优化模型展现出更好潜力，为开发更懂人心的AI系统指明了方向。

微软研究院与中国科技大学合作开发的高斯变化场扩散模型，实现了从单个视频快速生成高质量动态3D内容的突破。该技术将传统需要数小时的3D动画制作过程缩短至4.5秒，通过创新的变分自编码器和扩散模型设计，有效解决了4D内容生成中的数据构建困难和高维度建模挑战，在多项评估指标上显著超越现有方法，为电影制作、游戏开发、虚拟现实等领域提供了革命性的内容生成工具。

在医疗领域，技术的更迭与创新往往要比消费领域来的更加缓慢，智能手机、电子设备等消费品的更新换代也许并不会直接影响到人们的健康，但医疗领域的变革往往关乎着人类的生死存亡，数字医疗正积极推动着医疗行业加快变革的步伐，医疗领域的创新迫在眉睫。

数字化是一场波澜壮阔的变革，是护航实体产业“穿越风浪”的重要助手。腾讯将竭尽所能做好企业“数字化助手”，与生态伙伴携手，用数一数二的“冠军应用”，助力实体经济诞生更多“产业冠军”。

红帽公司研究团队提出危险感知系统卡（HASC）框架，为AI系统建立类似"体检报告"的透明度文档，记录安全风险、防护措施和问题修复历史。同时引入ASH识别码系统，为AI安全问题建立统一标识。该框架支持自动生成和持续更新，与ISO/IEC 42001标准兼容，旨在平衡透明度与商业竞争，建立更可信的AI生态系统，推动行业协作和标准化。

从贸易出海转向海外运营，广汽向全球化迈出重要一步。

马里兰大学研究团队发现，通过强化学习训练AI模型担任视觉问答评委，不仅能提升其评判能力，还意外地增强了答题能力。他们开发的LLaVA-Critic-R1模型在26个视觉推理任务中平均提升5.7%性能，并具备自我改进功能，测试时可通过自我批评获得额外13.8%提升，展现了评委训练的双重价值。

OpenAI团队开发了PaperBench评估系统，测试AI复现顶级机器学习论文的能力。通过20篇ICML 2024精选论文和8316个评估点，发现最强AI模型Claude 3.5 Sonnet达到21%成功率，而人类专家为41.4%。研究揭示AI在代码编写方面较强但在实际执行中存在局限，为AI科研能力发展提供重要基准。

本文介绍如何通过 USB 启动 DOS，打造一台独立无干扰的写作系统，详细讲述了技术步骤以及使用经典 DOS 软件的优缺点。

本研究提出了首个针对视觉自回归模型的测试时缩放框架TTS-VAR，通过自适应批次管理、聚类式多样性搜索和重采样式潜力选择三大策略，将AI图像生成质量显著提升8.7%。该框架巧妙地将生成过程视为路径搜索问题，在早期保持结构多样性，后期进行智能选择，实现了计算效率与生成质量的双重优化，为视觉生成技术发展提供了新思路。

报告认为，近20年来，一批中国企业通过财务共享中心建设，建立健全了财务管理标准，规范了集团企业和分子公司财务管理模式，提高了工作效率，降低了运营成本，逐步形成了符合中国商业环境要求和本土企业管理特色的财务共享管理模式。

在重症监护室中，人工智能将始终关注病患的一举一动。

IDEA研究院等机构联合开发了ToG-3智能推理系统，通过多智能体协作和双重进化机制，让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异，能用较小模型达到卓越性能，为AI技术的普及应用开辟了新路径，在教育、医疗、商业决策等领域具有广阔应用前景。

C2M在逐渐全球化的世界中给了我们一个再次创造的机会，因为它带来的既是一场价值链的重新布局，也是一场产业数字化的变革。

这项由浙江大学与阿里巴巴通义实验室联合开展的研究，通过创新的半在线强化学习方法，显著提升了AI界面助手在多步骤任务中的表现。UI-S1-7B模型在多个基准测试中创造了7B参数规模的新纪录，为GUI自动化代理的发展开辟了新的技术路径。

斯坦福大学研究团队开发出名为"投机采样"的AI训练新方法，通过引入小型草稿模型提供候选方案，让主模型无需从零开始计算，训练速度提升2-640倍，同时将能源消耗降低80%以上。这项技术大幅降低了AI模型训练成本，让普通人和小团队也能负担得起高质量AI模型开发，有望推动AI技术民主化普及。

香港科技大学团队发表重要研究，提出PANORAMA系统架构解决机器人视觉局限性问题。研究系统分析了360度全方位视觉技术在具身AI时代面临的数据瓶颈、模型能力和应用空白三大挑战，并提出包含数据采集、感知、应用和部署四个子系统的完整解决方案。团队还制定了六阶段发展路线图，从数据集整合到最终部署，为实现真正的机器人全方位感知能力提供了清晰的技术路径。

这项由卡内基梅隆大学和Meta联合进行的研究开发了General AgentBench基准测试，评估了十个顶尖AI模型在通用环境下的真实表现。研究发现，即使最先进的AI智能体从专门化环境转移到通用环境时性能都显著下降，传统的性能提升策略也面临"上下文天花板"和"验证差距"等根本性挑战。

扩圈，某种程度上正是高通的骁龙平台自2007年面世以来的真实成长写照，也是科技行者远赴夏威夷茂宜岛参与今年骁龙峰会感触最深的印象之一。

Meta团队开发了首个专门测试AI代理科学重现能力的基准，基于真实的NanoGPT训练加速竞赛。研究发现即使最先进的AI模型如o3-mini，在详细提示下也只能恢复约46%的预期性能提升，表明当前AI在科学研究的基础任务——重现已知发现方面仍存在重大局限。